Weights & Biases

Weights & Biases (genellikle W&B veya WandB olarak kısaltılır), aşağıdaki amaçlar için tasarlanmış geliştirici öncelikli bir platformdur düzene sokmak Makine Öğrenimi Operasyonları (MLOps). Makine öğrenimi mühendisleri ve veri bilimcileri için merkezi bir kayıt sistemi olarak hizmet vererek şunları yapmalarını sağlar deneyleri track edin, model performansını görselleştirin ve veri kümelerini yönetin. Karmaşık yaşam döngüsünde makine öğrenimi (ML), her bir makinenin yapılandırma değişikliği ve sonucu zordur; W&B bunu metrikleri otomatik olarak günlüğe kaydederek ve düzenleyerek çözer etkileşimli gösterge tablolarına dönüştürür. Bu, ekiplerin farklı eğitim çalışmalarını karşılaştırmasına, tekrarlanabilirliği sağlamasına ve Akademik araştırmalardan kurumsal ölçeğe kadar çeşitli projelerde etkili bir şekilde işbirliği yapmak bilgisayarla görme (CV) dağıtımları.

Platformu Kavramlardan Ayırt Etmek

Bu aracı anlamak için, onu temel araçlardan ayırmak gerekir Adını aldığı sinir ağı (NN) kavramları.

• Weights & Biases (Platform): Bu, bir platform olarak hareket eden yazılım hizmetini ve kütüphaneyi ifade eder. kapsamlı deney izleme aracı. İle entegre olur Eğitim sürecini izlemek, sistem kaynaklarını yönetmek ve model eserlerini depolamak için popüler çerçeveler.
• Ağırlıklar (Parametre): Derin öğrenme bağlamında, model ağırlıkları öğrenilebilir katsayılardır. Giriş verilerini ağın katmanları içinde dönüştürür. Nöronlar arasındaki bağlantının gücünü belirlerler.
• Önyargılar (Parametre): Bunlar, aşağıdakilere izin veren öğrenilebilir ek değerlerdir aktivasyon fonksiyonu sola kaydırılacak veya bir ofset sağlayarak modelin verilere daha iyi uymasına yardımcı olur.

Parametrelerweights and biases) eğitim sırasında optimize edilen matematiksel bileşenler iken stokastik gradyan inişi (SGD), platformWeights & Biases), bu optimizasyon sürecini gözlemlemek ve analiz etmek için kullanılan yardımcı programdır.

Temel Yetenekler ve Uygulamalar

W&B platformu, aşağıdakilerdeki belirli zorlukları ele alan bir araç paketi sunar yapay zeka (AI) geliştirme iş akışı.

• Deney Takibi: Geliştiriciler, aşağıdaki gibi dinamik ölçümleri günlüğe kaydedebilir kayıp fonksiyonu ve zaman içinde doğruluk. Bu yardımcı olur aşırı uyum gibi sorunların belirlenmesi, bir modelin Eğitim verilerini çok iyi öğrenir ancak genelleme yapamaz.
• Hiperparametre Ayarlama: Bir model için en iyi yapılandırmayı bulmak - örneğin öğrenme oranı, parti büyüklüğü veya ağ mimarisi- basitleştirilmiştir W&B Sweeps'i kullanarak, optimum arayışı otomatikleştirir değerler.
• Veri ve Model Sürümleme: İçinden W&B Artifacts ile ekipler verilerinin soyağacını track edebilir ve kaydedilmiş modeller. Bu, herhangi bir sonucun tam sürümünü geri alarak yeniden üretilebilmesini sağlar. eğitim verileri ve kullanılan kod.
• İnteraktif Görselleştirme: Platform, zengin medya oluşturarak kullanıcıların öngörülen görüntüler üzerinde sınırlayıcı kutular veya kaplama segmentasyonu maskeler, daha iyi veri görselleştirme ve hata ayıklama.

Gerçek Dünyadan Entegrasyon Örnekleri

Weights & Biases , titiz model doğrulama ve işbirliğine dayalı geliştirme gerektiren sektörlerde yaygın olarak kullanılmaktadır.

• Otomotiv Nesne Algılama: Kendi kendine sürüş teknolojisi geliştiren bir ekip şunları kullanabilir Ultralytics YOLO11 yayaları ve araçları detect etmek için. Tarafından W&B'yi entegre ederek görselleştirebilirler binlerce doğrulama verisi tahminleri epochs. Bu, belirli arıza durumlarını tespit etmelerini sağlar, Düşük ışık koşullarında kaçırılan tespitler gibi ve Buna göre veri artırma stratejisi.
• Tıbbi Görüntü Analizi: Üzerinde çalışan araştırmacılar Sağlık hizmetlerinde yapay zeka W&B'yi kullanarak Tümör tespiti için modelleri eğitirken deneylerin kesin kaydı. Alanın kritik niteliği göz önüne alındığında, track için model izleme araçlarının kullanılması geri çağırma gibi metrikler ve hassasiyet mevzuata uygunluk için hayati önem taşır ve hasta güvenliğinin sağlanması.

Ultralytics ile W&B Uygulama

Weights & Biases 'i aşağıdaki gibi modern çerçevelerle entegre etme PyTorch veya Ultralytics gibi belirli kütüphaneler basit. Kütüphane, W&B'nin varlığını otomatik olarak algılar ve kapsamlı bir çalışma gerektirmeden temel metrikleri günlüğe kaydeder. basmakalıp kod.

Aşağıdaki örnekte bir YOLO11 modelinin nasıl eğitileceği ve bu sırada çalışmanın otomatik olarak Weights & Önyargılar. Çalıştırdığınızdan emin olun pip install wandb ve kimlik doğrulaması wandb login senin içinde komut dosyasını çalıştırmadan önce terminal.

from ultralytics import YOLO

# Initialize the YOLO11 model using pre-trained weights
model = YOLO("yolo11n.pt")

# Train the model on the COCO8 dataset
# If 'wandb' is installed and logged in, training metrics are automatically
# uploaded to the Weights & Biases dashboard.
results = model.train(data="coco8.yaml", epochs=5, project="Ultralytics-WandB-Demo", name="yolo11-experiment")

Bu entegrasyon aşağıdaki gibi sistem metriklerini yakalar GPU kullanım ve model metrikleri, eğitim performansının kapsamlı bir görünümünü sağlar. Daha derin içgörüler için kullanıcılar Özelleştirmek için Ultralytics entegrasyon kılavuzu ne kaydedildi.